何為資料傾斜？
在弄清什麼是資料傾斜之前,我想讓大家看看資料分布的概念:
正常的資料分布理論上都是傾斜的，就是我們所說的20-80原理：80%的財富集中在20%的人手中, 80%的使用者只使用20%的功能 , 20%的使用者貢獻了80%的訪問量 , 不同的資料字段可能的資料傾斜一般有兩種情況:
一種是唯一值非常少，極少數值有非常多的記錄值(唯一值少於幾千)
一種是唯一值比較多，這個欄位的某些值有遠遠多於其他值的記錄數，但是它的佔比也小於百分之一或千分之一
資料傾斜:
資料傾斜在mapreduce程式設計模型中十分常見,用最通俗易懂的話來說,資料傾斜無非就是大量的相同key被partition分配到乙個分割槽裡,造成了'乙個人累死,其他人閒死'的情況,這種情況是我們不能接受的,這也違背了平行計算的初衷,首先乙個節點要承受著巨大的壓力,而其他節點計算完畢後要一直等待這個忙碌的節點,也拖累了整體的計算時間,可以說效率是十分低下的。
解決方案:
1.增加jvm記憶體,這適用於第一種情況(唯一值非常少，極少數值有非常多的記錄值(唯一值少於幾千)),這種情況下,往往只能通過硬體的手段來進行調優,增加jvm記憶體可以顯著的提高執行效率。
2.增加reduce的個數,這適用於第二種情況(唯一值比較多，這個欄位的某些值有遠遠多於其他值的記錄數，但是它的佔比也小於百分之一或千分之一),我們知道,這種情況下,最容易造成的結果就是大量相同key被partition到乙個分割槽,從而乙個reduce執行了大量的工作,而如果我們增加了reduce的個數,這種情況相對來說會減輕很多,畢竟計算的節點多了,就算工作量還是不均勻的,那也要小很多。
3.自定義分割槽,這需要使用者自己繼承partition類,指定分割槽策略,這種方式效果比較顯著。
4.重新設計key,有一種方案是在map階段時給key加上乙個隨機數,有了隨機數的key就不會被大量的分配到同一節點(小幾率),待到reduce後再把隨機數去掉即可。
5.使用combinner合併,combinner是在map階段,reduce之前的乙個中間階段,在這個階段可以選擇性的把大量的相同key資料先進行乙個合併,可以看做是local reduce,然後再交給reduce來處理,這樣做的好處很多,即減輕了map端向reduce端傳送的資料量（減輕了網路頻寬）,也減輕了map端和reduce端中間的shuffle階段的資料拉取數量(本地化磁碟io速率),推薦使用這種方法。
Hadoop處理資料傾斜
南國在最開始學習hadoop的時候，一直其他人說的資料傾斜及資料傾斜的解決辦法沒有完全弄明白。通過這段時間的學習，看了許多資料，這裡參考網上資料 以及自己的理解。這篇部落格 寫乙個有關於資料傾斜的歸納總結。話不多說，乾貨馬上送到。在弄清什麼是資料傾斜之前,我想讓大家看看資料分布的概念 正常的資料分布...
深入理解hadoop資料傾斜
我們在用map reduce程式執行時，有時候會發現reduce節點大部分執行完畢，但是有乙個或者幾個reduce節點執行很慢，導致整個程式的處理時間很長，這是因為某乙個key的條數比其他key多很多 有時是百倍或者千倍之多 這條key所在的reduce節點所處理的資料量比其他節點就大很多，從而導致...
資料傾斜處理方法
資料傾斜處理方法 對於不平衡資料的分類，為了解決上述準確率失真的問題，我們要換用 f 值取代準確率作為評價指標。用不平衡資料訓練，召回率很低導致 f 值也很低。這時候有兩種不同的方法。第一種方法是修改訓練演算法，使之能夠適應不平衡資料。著名的代價敏感學習就是這種方法。另一種方法是運算元據，人為改變正...